Les variations dynamiques de la turbulence atmosphérique et la diminution de la luminosité de la cible observée affectent sérieusement la précision de la détection du front d'onde par le capteur de front d'onde Shack-Hartmann (SHWFS). Pour ces deux conditions d'observation complexes, cet article propose un modèle de réseau neuronal basé sur la structure Transformer, qui possède une excellente capacité de modélisation globale et peut reconstruire avec haute précision le front d'onde à partir des images du réseau de taches de SHWFS. Par simulation sous une longueur de cohérence typique de turbulence atmosphérique dynamique r₀, l'erreur RMS résiduelle du front d'onde du modèle proposé se stabilise entre 0,010 et 0,024 μm. Comparé aux méthodes existantes, cette méthode peut reconstruire plus précisément les aberrations du front d'onde. De plus, la précision de reconstruction de cette méthode est peu affectée par les variations de luminosité de l'étoile guide ou de la cible observée. Par conséquent, la précision de reconstruction de cette méthode présente une forte stabilité face aux variations des deux conditions d'observation, fournissant une méthode prometteuse pour l'imagerie à haute résolution des grands télescopes optiques astronomiques.

optique adaptative; apprentissage profond; capteur de front d'onde Shack-Hartmann; Transformer; reconstruction de front d'onde